Google DeepMind ha annunciato AlphaEvolve, un agente evolutivo di programmazione potenziato dagli LLM e progettato per scoprire e ottimizzare algoritmi in modo autonomo e generalizzato. AlphaEvolve rappresenta un avanzamento significativo rispetto ai sistemi precedenti. Mentre i modelli di linguaggio avevano già dimostrato di poter generare funzioni di codice per risolvere problemi scientifici, AlphaEvolve spinge il confine ulteriormente, evolvendo interi codebase e sviluppando algoritmi complessi. Questa piattaforma combina la creatività dei modelli Gemini con sistemi di valutazione automatica, che verificano e punteggiano le soluzioni generate in modo oggettivo e quantitativo.

L’agente opera in un ciclo evolutivo in cui i modelli propongono programmi, che vengono eseguiti e valutati tramite metriche rigorose, e solo le soluzioni più promettenti vengono selezionate per ulteriori sviluppi. Questo approccio rende AlphaEvolve particolarmente efficace in ambiti dove la qualità può essere misurata con precisione, come la matematica e l’informatica.

Applicazioni pratiche e impatto sull’ecosistema digitale

screenshot 3

Nel corso dell’ultimo anno, Google ha integrato algoritmi scoperti da AlphaEvolve in diversi ambiti del proprio ecosistema digitale, con risultati concreti e tangibili.

Ottimizzazione della gestione dei data center

AlphaEvolve ha ideato una semplice ma efficace euristica che aiuta Borg, il sistema di orchestrazione dei data center Google, a migliorare l’efficienza nell’allocazione delle risorse computazionali. Questa soluzione, attiva da oltre un anno, recupera in media lo 0,7% delle risorse computazionali globali di Google, consentendo di svolgere più operazioni con la stessa infrastruttura. Oltre ai vantaggi prestazionali, il codice prodotto è facilmente interpretabile e manutenibile, facilitando l’implementazione e la manutenzione.

Supporto nella progettazione hardware

AlphaEvolve ha proposto modifiche a livello di codice Verilog per un circuito aritmetico ottimizzato fondamentale per la moltiplicazione di matrici, utilizzata nei processori TPU, acceleratori AI personalizzati di Google. Queste proposte, rigorosamente verificate, hanno permesso di migliorare il design eliminando parti ridondanti, accelerando così la progettazione collaborativa tra IA e ingegneri hardware.

Accelerazione dell’addestramento e dell’inferenza AI

Il sistema ha anche ottimizzato la divisione delle operazioni di moltiplicazione matriciale (un kernel critico nelle architetture IA come Gemini), migliorandone la velocità del 23% e riducendo i tempi di training dell’1%. Questo si traduce in risparmi significativi in termini di risorse computazionali e costi energetici, cruciali per modelli di intelligenza artificiale generativa che richiedono enormi capacità di calcolo. Inoltre, AlphaEvolve ha perfezionato l’implementazione di istruzioni GPU di basso livello, ottenendo un miglioramento del 32,5% sulle prestazioni del kernel FlashAttention, una componente chiave nei modelli Transformer.

Innovazioni nella matematica e nella scoperta algoritmica

screenshot2

Oltre alle applicazioni pratiche, AlphaEvolve si è dimostrato capace di proporre nuovi approcci a problemi matematici di lungo corso. Ad esempio, ha progettato componenti di un procedimento di ottimizzazione basato sul gradiente che ha portato alla scoperta di nuovi algoritmi per la moltiplicazione di matrici, migliorando un risultato storico di Strassen (1969) per matrici 4×4 complesse.

Il sistema è stato applicato a oltre 50 problemi aperti in diversi settori matematici come analisi, geometria, combinatoria e teoria dei numeri. In circa il 75% dei casi, AlphaEvolve ha riscoperto soluzioni all’avanguardia, mentre nel 20% dei casi ha migliorato i risultati noti, contribuendo così a fare progressi concreti su questioni irrisolte da secoli. Un esempio significativo è stato il problema del “kissing number” in 11 dimensioni, dove AlphaEvolve ha stabilito un nuovo limite inferiore configurando 593 sfere esterne che toccano una sfera unitaria centrale, un risultato che ha affascinato i matematici per oltre 300 anni.

Google sta infine sviluppando un’interfaccia user-friendly in collaborazione con il team People + AI Research e pianificando un programma di accesso anticipato rivolto a ricercatori accademici. L’obiettivo è rendere AlphaEvolve accessibile a un pubblico più ampio, con potenziali applicazioni in ambiti che spaziano dalla scienza dei materiali, alla scoperta di farmaci, alla sostenibilità ambientale, fino a varie applicazioni tecnologiche e di business.